自然语言直接控制CPS！新框架87.9%成功率生成可执行计划
From Natural Language Intent to Executable Control: Hierarchical Feedback-Guided LLM Planning for Multi-component Cyber-Physical Systems
📖 AI 总结
该研究针对大语言模型将自然语言指令转化为信息物理系统任务计划时存在的两类问题展开：一是生成计划可能误解或遗漏用户意图，二是逻辑上合理的计划在组件动态、交互或安全约束下可能不可执行。为此，作者提出一种分层反馈框架，引导LLM生成可执行计划。具体做法是让模型同时生成结构化任务计划和对应的信号时序逻辑约束，并设计可靠算法识别二者之间的确定矛盾并反馈修正；在执行层面，当控制合成失败时，提取违反的约束、组件分配冲突等诊断信息反馈给模型以指导重规划。在七个异构多组件CPS场景上的实验表明，该框架配合GPT-5能以87.9%的成功率生成满足原始自然语言任务的可执行计划与可行控制。
🔑 关键词速览
| Cyber-Physical Systems (CPS) | 信息物理系统，是计算组件与物理过程紧密集成的系统。 |
| Large Language Models (LLMs) | 大型语言模型，指具有大量参数的预训练语言模型，用于理解和生成自然语言。 |
| Signal Temporal Logic (STL) | 信号时序逻辑，一种用于指定实时系统时序约束的形式化语言。 |
| Control Synthesis | 控制合成，指根据给定规格自动生成控制器策略的过程。 |
| Hierarchical Feedback Framework | 分层反馈框架，一种利用不同层次反馈信息指导规划与执行的系统架构。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅